INGENIERÍA INDUSTRIAL

ESTADISTICA INFERENCIAL II

ACTIVIDAD 1 TEMA 2 “Series de Tiempo”

Profesor: Verónica Del Roció Silva Olvera

Alumno: Ricardo Daniel López Estrada
Fecha: 28/03/2019
Introducción

Por serie de tiempo nos referimos a datos estadísticos que se recopilan, observan o
registran en intervalos de tiempo regulares (diario, semanal, semestral, anual, entre
otros). El término serie de tiempo se aplica por ejemplo a datos registrados en forma
periódica que muestran, por ejemplo, las ventas anuales totales de almacenes, el valor
trimestral total de contratos de construcción otorgados, el valor trimestral del PIB.
Componentes de la serie de tiempo

Supondremos que en una serie existen cuatro tipos básicos de variación, los cuales
sobrepuestos o actuando en concierto, contribuyen a los cambios observados en un
período de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son:
Tendencia secular, variación estacional, variación cíclica y variación irregular.

Supondremos, además, que existe una relación multiplicativa entre estas cuatro
componentes; es decir, cualquier valor de una serie es el producto de factores que se
pueden atribuir a las cuatro componentes.

1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una serie es

por lo común el resultado de factores a largo plazo. En términos intuitivos, la tendencia
de una serie de tiempo caracteriza el patrón gradual y consistente de las variaciones de
la propia serie, que se consideran consecuencias de fuerzas persistentes que afectan el
crecimiento o la reducción de la misma, tales como: cambios en la población, en las
características demográficas de la misma, cambios en los ingresos, en la salud, en el
nivel de educación y tecnología. Las tendencias a largo plazo se ajustan a diversos
esquemas. Algunas se mueven continuamente hacía arriba, otras declinan, y otras más
permanecen igual en un cierto período o intervalo de tiempo.

2. Variación estacional: El componente de la serie de tiempo que representa la

variabilidad en los datos debida a influencias de las estaciones, se llama componente
estacional. Esta variación corresponde a los movimientos de la serie que recurren año
tras año en los mismos meses (o en los mismos trimestres) del año poco más o menos
con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables espera poca
actividad de ventas durante los meses de otoño e invierno y tiene ventas máximas en los
de primavera y verano, mientras que los fabricantes de equipo para la nieve y ropa de
abrigo esperan un comportamiento anual opuesto al del fabricante de albercas.

3. Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas
de puntos abajo y arriba de la línea de tendencia que duran más de un año, esta variación
se mantiene después de que se han eliminado las variaciones o tendencias estacional e
irregular. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos
recurrentes dependen de la prosperidad, recesión, depresión y recuperación, las cuales
no dependen de factores como el clima o las costumbres sociales.

4. Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no

recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir
su impacto sobre la serie de tiempo. Existen dos tipos de variación irregular: a) Las
variaciones que son provocadas por acontecimientos especiales, fácilmente
identificables, como las elecciones, inundaciones, huelgas, terremotos. b) Variaciones
aleatorias o por casualidad, cuyas causas no se pueden señalar en forma exacta, pero
que tienden a equilibrarse a la larga.

Tendencia de una serie

1. Tendencia lineal
Como se dijo antes, la tendencia de una serie viene dada por el movimiento
general a largo plazo de la serie. La tendencia a largo plazo de muchas series de
negocios (industriales y comerciales), como ventas, exportaciones y producción,
con frecuencia se aproxima a una línea recta. Esta línea de tendencia muestra
que algo aumenta o disminuye a un ritmo constante. El método que se utiliza para
obtener la línea recta de mejor ajuste es el Método de Mínimos Cuadrados.

2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que
este comportamiento es no lineal. Dentro de las tendencias no lineales que
pueden presentarse en una serie se encuentran, la polinomial, logarítmica,
exponencial y potencial, entre otras.
 Métodos de Suavizamiento de la Serie

1. Promedio móvil Un promedio móvil se construye sustituyendo cada valor de

una serie por la media obtenida con esa observación y algunos de los valores
inmediatamente anteriores y posteriores.

Métodos de Suavizamiento de la Serie

1. Promedio móvil
Un promedio móvil se construye sustituyendo cada valor de una serie por la media
obtenida con esa observación y algunos de los valores inmediatamente anteriores y
posteriores.
Se mostrará este método con los siguientes ejemplos:
Ejemplo 1. Aplicar el método de promedios móviles para el pronóstico de ventas de
gasolina a partir de la siguiente información:
Se considerará el promedio móvil a partir de las tres observaciones más recientes.
En este caso se utilizará la siguiente ecuación:
Los promedios móviles también se pueden construir tomando en cuenta valores
adyacentes de las observaciones, por ejemplo: En el caso de determinar el promedio
móvil para tres observaciones adyacentes de la tabla anterior, se tiene:

Promedios móviles ponderados

Para mostrar el uso de éste método, se utilizará la primera parte del ejemplo anterior
de la venta de gasolina. El método consiste en asignar un factor de ponderación
distinto para cada dato. Generalmente, a la observación o dato más reciente a partir
del que se quiere hacer el pronóstico, se le asigna el mayor peso, y este peso
disminuye en los valores de datos más antiguos. En este caso, para pronosticar las
ventas de la cuarta semana, el cálculo se realizaría de la siguiente manera:
Puede observarse que el dato más alejado (correspondiente a la primera semana)
tiene el factor de ponderación más pequeño, el siguiente tiene un factor de
ponderación del doble que el primero y el dato más reciente (que corresponde a la
tercera semana) tiene un factor de ponderación del triple del primero. Los pronósticos
para las diversas semanas se presentan en la siguiente tabla. En todos los casos, la
suma de los factores de ponderación debe ser igual a uno.
Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie de tiempo
pasada como pronóstico; es un caso especial del método de promedios móviles
ponderados en el cual sólo se selecciona un peso o factor de ponderación: el de la
observación más reciente. En la práctica comenzamos haciendo que F1, el primer
valor de la serie de valores uniformados, sea igual a Y1, que es el primer valor real
de la serie. El modelo básico de suavizamiento exponencial es el siguiente:

Como se observa, el pronóstico para el período 2 con suavizamiento exponencial es

igual al valor real de la serie de tiempo en el período uno. Para el período 3, se tiene
que:
Para el período 4 se tiene:

Conclusión:
Una serie de tiempo es un conjunto de datos numéricos que se obtienen en períodos
regulares a través del tiempo, lo cual estos datos pueden ser muy variados,
generalmente son usados para evaluar el comportamiento de las ventas de una
empresa, o para evaluar el comportamiento de los índices de precio, en general
pueden aplicarse a cualquier negocio. Estos pueden tener características de tipo
estacional, o cíclico o siguen alguna tendencia ya sea a la baja, de subida o sin
variación.

Bibliografía:

http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf
https://es.wikipedia.org/wiki/Serie_temporal
https://www.monografias.com/trabajos31/series-tiempo-internet/series-tiempo-
internet.shtml#Conclusiones
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/time-series/supporting-topics/basics/what-is-a-time-series/
http://www.seduca2.uaemex.mx/ckfinder/uploads/files/u3tema_3_series_de_t.pdf
https://campusvirtual.univalle.edu.co/moodle/pluginfile.php/1006795/mod_resource/
content/1/Exposici%C3%B3n%209%20An%C3%A1lisis%20de%20Series%20de%2
0Tiempo.pdf